代 威,文贡坚,张 星,李智勇
(国防科学技术大学ATR重点实验室,长沙 410073)
高光谱图像海上舰船目标检测方法研究
代 威,文贡坚,张 星,李智勇
(国防科学技术大学ATR重点实验室,长沙 410073)
提出了一种基于光谱异常检测的高光谱海上舰船目标自动检测算法。首先提取图像中的海域,确定舰船检测的目标区;然后在通过主成分变换降低高光谱图像数据维数后,由RX算法检测出目标区中的异常点;最后提取具有一定几何特征的面状异常目标,即为疑似舰船目标。实验结果表明:算法能够有效实现复杂背景下的舰船目标检测。
高光谱图像;舰船检测;海域提取;RX检测
高光谱图像具有光谱分辨率高、图谱合一的数据特性。遥感图像中的小目标或伪装隐蔽目标通常难以通过纹理、边缘等空间特征检测识别,而高光谱图像蕴含的丰富的光谱信息则为探测这类目标提供了极大便利[1-5]。因而,目标检测一直是高光谱图像处理的研究热点,并在隐蔽设施、伪装车辆、舰船目标检测等军事领域中广泛应用。
借助预警雷达获取的图像数据检测舰船目标是传统的舰船检测技术之一。但是,小型舰船目标具有较为严重的海面背景杂波现象,背景杂波的雷达回波信号强于目标回波特性,淹没了目标的反射特性,使得误检和漏检率较高[6-8]。基于高光谱图像的海上舰船目标检测方法充分利用舰船目标与海水背景的光谱差异,在探测出舰船的位置、形状等空间特征的同时,提供了舰船目标的光谱信息,有利于分析目标材质,判定目标属性信息,在船只识别、监控、跟踪方面可发挥重要作用[9]。然而,作为一种新型的舰船目标检测方法,相关研究成果较少,仍待进一步探索。
本文从实际应用出发,提出了一种高光谱图像海上舰船目标自动检测方法。算法的主要思想是:提取包含舰船目标的海水区域,构建海水背景模型,通过检测海域中的光谱异常点实现舰船目标检测。算法主要包含4个部分:第1部分通过阈值分割剔除图像中的陆地、云障区域,获取目标海域;第2部分先通过波段选择和特征提取剔除图像中干扰严重的波段,降低数据维数,再提取信噪比高的波段作为目标检测的源数据;第3部分对目标海域逐像素进行RX检测,经马氏距离投影后海水背景被抑制,舰船目标得到增强凸显,再应用自适应分割获取疑似舰船目标像素;第4部分利用舰船目标空间几何特性抑制虚警,确定图像中的舰船目标。算法流程如图1所示。
图1 高光谱图像舰船目标检测流程
1.1 海陆分割
在近红外和短波红外波段,水体几乎吸收所有入射能量,反射率很低,趋近于0[3]。相对水体,陆地地物具有更高的反射率。由此出发,在近红外或短波红外光谱范围内,选择信噪比高的波段数据,经灰度阈值分割,可将陆地与水体分离。最大阈值分割(OSTU)是经典的自适应阈值分割方法。其核心思想是:通过最大化背景与目标这两类像素的类间方差确定分割阈值。
设阈值Tj将图像中的像素分为海水C0和陆地C1两类,阈值选择函数为
式中:σ2(Tj)为阈值Tj分割后两类像素的类间方差;ω0,ω1分别为C0,C1类像素产生的概率;μ0,μ1分别为C0,C1类像素灰度均值,μ为整幅图像的灰度平均值。为了得到最佳的海陆分割效果,最佳阈值Tj应使得阈值选择函数取最大值。
最优化求解式(2),可得最佳阈值Topt。图像分割后,可得分割后二值图像。
式中:Ibin(i,j)为二值图像矩阵,标记了场景中的海水与非海水,是海陆分割后的标记图;I(i,j)为像素在图像中的坐标。
1.2 海域提取
准确提取海水区域是构建海水背景模型、实现舰船目标检测的必要步骤。在海陆分割的过程中,舰船目标在近红外波段的反射特性与陆地背景相似,会被标记为陆地。
如果直接在Ibin(i,j)标记出的海水区域中检测舰船目标会出现漏检。同时,陆地背景中的小面积水体反射特性与海水相似,会被标记为海水,容易造成虚警。为克服上述两方面的影响,降低漏检和虚警概率,本文采用形态学处理,进一步提取海水区域。
开运算是一种常用的形态学处理方法,其本质是利用结构算子先腐蚀后膨胀的特点,可获得消除孤立地物、孔洞填充、平滑大区域边缘的效果[10]。
结构算子A对海陆分割二值图Ibin进行开运算,可表示为
式中:◦为开运算;Θ为腐蚀运算;⊕为膨胀运算;I'bin为开运算后的海陆分割二值图。
在I'bin中,孤立的舰船目标被腐蚀后成为海水的一部分,小块内陆水域、港口、码头等经膨胀后与大片陆地连通。根据海域的连通性,提取I'bin中的最大面积标记为C0类的区域,即可分离得到舰船目标检测的目标区域。区域生长、轮廓跟踪等均为经典的连通域提取算法。值得说明的是,开运算中结构算子A需根据不同分辨率下舰船目标的面积、形状等灵活选用,以确保舰船目标能够被完全腐蚀。
2.1 数据降维
高光谱图像相邻波段间存在强相关性,使得数据中存在大量信息冗余。数据降维是去除信息冗余、降低数据处理复杂性、提高检测效率的必要过程,可通过波段选择和特征提取实现。
波段选择可根据背景和目标的光谱反射特性,选择相应波谱范围的数据,将去除噪声干扰、水吸收后的波段作为输入源数据。在不影响检测效果的基础上,降低数据维数。
主成分分析(principal components analysis,PCA)是最经典的数据特征提取方法[11],在高光谱数据压缩、降维、去相关、去噪等方面取得了良好的效果。经PCA变换后,各主成分相互正交,高光谱数据的大部分信息集中至对应较大特征值的前几个主成分中。其实现过程如下:
输入的高光谱图像表示为X={X1,X2,…,Xp}T,其中Xi为一个N×1的列向量,p为波段选择后波段数,N为海水像素总数。去中心化后的数据矩阵:Y=X-E(X),Y的协方差矩阵为Σ,对应的特征值矩阵为Λ= diag{λ1,λ2,…,λp},λ1≥λ2,…,≥λp,特征向量矩阵为E={e1,e2,…,ep},ei为p×1的列向量,主成分变换为
变换矩阵E是正交的,故主成分变换后的高光谱数据各波段也正交,从而去除了高光谱数据波段间的相关性。
由式(6)可知:变换后图像各波段方差随编号增加而降低,所包含信息量随之降低。选取较大特征值对应的主成分即可包含图像的大部分信息,因而可在损失较少数据信息的前提下降低数据维数。
2.2 异常像元检测
舰船目标的光谱特性与海水具有明显的差异,且像元个数少,出现概率低,具有异常的特性。由S.Reed和Xiaoli-Yu提出的RX算法是最经典的异常检测算法,已在诸多高光谱异常目标检测中成功应用[12-13]。
RX算法的假设前提是背景像元光谱符合多元高斯分布。通过广义极大似然比检验(generalized likelihood ratio test,GLRT)计算待检测像元的检测统计量,结果为
其中:Drx为检测统计量;x为待检测像元光谱向量;μ0,Σ分别为背景光谱均值向量和协方差矩阵。
在背景符合多元高斯分布的假设前提下,检测统计量Drx是正态随机向量元素的二阶线性组合,概率密度符合自由度为p的无偏心分布。如果检测统计量不符合分布,则判定待检测像元为异常像元。如式(10)所示,判决门限可使检测保持恒虚警率(constant false alarm rate,CFAR)。
式中:ε0为设定的虚警率;λ为自适应确定的判决门限。判决结果为:
RX异常检测算子与马氏距离(Mahalanobis distance,MD)的平方具有相同的结构。其本质为计算待检测像元光谱向量到背景均值光谱向量的马氏距离平方。该判决过程中保持恒虚警率,将距离过大的像元判为异常像元。
RX算法包含背景均值光谱向量μ0和协方差矩阵Σ两个参数。局部RX算法中,参数在局部窗口内统计求得。局部范围内,背景像元能够较好地符合多元高斯分布的假设,但样本数目较少,参数准确度不高,且计算量大。本文经海域提取可有效限定背景为单一均匀的海水,在全局RX范围内也能符合多元高斯分布的假设。为增大统计样本数目,提高参数准确度,降低运算量,本文选用全局RX算法进行异常像元检测。
2.3 虚警剔除
异常像元不仅包含感兴趣的疑似舰船目标,还可能是海域中的孤立岛屿、人造物等。舰船目标在空间分布上表现为若干像元聚集分布,且呈较规则形状。基于舰船目标的空间几何特性,综合区域面积、长宽比、主轴方向等常用的目标空间特征设计虚警滤波器,可鉴别和剔除明显不是舰船的虚警。
本文的高光谱图像海上舰船目标检测算法具体实现过程如下:
1)海域提取:在图像中取一近红外波段,经过OSTU阈值分割后,将二值图像进行开运算处理,提取水体对应的大面积连通域,即为海域。
2)数据降维:进行主成分变换,根据累计信息量分布,取变换后的前若干个成分分量数据作为舰船目标检测输入源。
3)异常检测:以步骤1)提取海域对应像元为样本,统计求得海水背景平均光谱和协方差矩阵,逐像元RX投影,求得检测统计量,设定虚警率后得到判决阈值,其中RX统计量大于阈值的像元即为异常像元。
4)虚警剔除:将相邻异常像元归并形成面状目标,并计算其面积、长宽比,将与舰船目标空间特征明显不符的异常点集判为虚警,剩余异常点集即为待检测的舰船目标。
实验数据为一幅星载AVRS高光谱图像数据,含有224个波段,图像大小为200像素×200像素,覆盖波谱范围为0.365 9~2.496 2 μm,光谱分辨率为10 nm。去除噪声干扰严重的波段(1~ 5,143~180,198~224)后,剩余154个波段数据为实验数据。
图2为取第10、30、70波段合成的假彩色图,场景中包含小块陆地港口和3个舰船目标。在图中近海位置有一列顺序排列的人造物。人造物虽是海域中的异常,但不属于舰船目标,是检测中的虚警。选取第44个波段灰度图提取海域(图3),对应波长为0.782 8 μm,属近红外波段。
图2 假彩色图
图3 第44波段灰度图
在近红外波段,陆地、舰船等反射率大,水体反射率小,采用最大方差阈值分割,将场景分为水体(暗)和非水体(亮)两类,分割结果如图4所示。以5像素方形结构元素为腐蚀结构算子,9像素方形结构元素为膨胀结构算子,进行开运算后,海域提取效果如图5所示。图中所提取海域不仅包括了疑似舰船的目标区域,还分离去除了内陆水体,准确标记了检测舰船的目标区。
图4 OSTU分割结果
图5 海域提取结果
数据降维是在尽可能保留图像信息的条件下降低数据维数。在PCA变换中,各成分图像信息量与该成分的特征值对应,特征值越大,图像信息量越大。图6为变换后的第1、3、7、9成分图像。表1为各成分对应的特征值及累计信息量。由分析可知:前8个主成分累计包含99.97%的信息量,第8个主成分之后的成分对应特征值小,受噪声干扰严重。因此,取前8个主成分进行异常检测。
图6 PCA各成分分量
以提取出海域内的像元为样本,统计模型参数,进行RX检测,投影图如图7所示(陆地像元不进行处理,在图中以灰色标记)。由图8所示的RX检测结果的直方图分布可知:RX检测结果能够符合χ2分布。取虚警概率为10-6,由式(10)确定分割阈值。投影分割结果如图9所示。
表1 各成分对应特征值及累计信息量
分割结果显示:检测出的异常像元不仅包括舰船目标,还有近海岸线规则排列的人造目标。这些目标属孤立点目标,所含像素明显少于舰船目标。因海陆分割不精确,海岸线附近的像元被误判属海域,造成虚警。这类虚警可通过长宽比有效鉴别。图10为剔除虚警后最终的舰船目标检测结果。
图7 RX投影图
图8 RX投影的直方图分布
图9 投影分割结果
图10 舰船检测结果
本文提出了一种高光谱图像海上舰船目标自动检测方法。该算法通过灰度分割提取图像中的海域,经主成分变换数据降维后,在海域中检测异常点,提取具有一定几何形状的面状目标,输出为疑似舰船目标。实验结果表明:该算法不需先验知识,能够有效检测出复杂场景中的舰船目标,实用性强。但针对与舰船目标具有相似几何特征的面状虚警,采用本文算法并不能有效鉴别和剔除。因此,结合舰船目标的光谱特性,鉴别与舰船目标几何特征相似的虚警,是进一步研究工作的内容。
[1]Matteoli S,Diani M,Corsini G.A Tutorial Over-view of anomaly detection in hyperspectral images[J].IEEE A&E System Magazine,2010,25(7):5-27.
[2]Chang C I,Chiang S S.Anomaly detection and classification for hyperspectral imagery[J].IEEE Trans.Geosci Remote Sense,2002,40(6):1314-1325.
[3]张兵,高连如.高光谱图像分类与目标探测[M].北京:科学出版社,2011.
[4]陶荣华,陈标,赵海彬,等.高光谱遥感数据吸收位置特征融合提取技术研究[J].激光杂志,2013(5):27 -28.
[5]赵明富,夏曦,张政委,等.基于高光谱图像技术的指纹识别研究[J].激光杂志,2013(5):27-28.
[6]张东晓,何四华,杨绍清.一种多尺度分形的舰船目标检测方法[J].激光与红外,2009,9(3):315-318.
[7]蒋李兵.基于高分辨光学遥感图像的舰船目标检测方法研究[D].长沙:国防科学技术大学,2006.
[8]田明辉,万寿红,岳丽华.遥感图像中复杂海面背景下的海上舰船检测[J].小型微型计算机系统,2008,29 (11):2162-2166.
[9]路威,余旭初,马永刚,等.高光谱遥感影像海上舰船目标检测算法的研究[J].海洋测绘,2005,25(4):152 -156.
[10]刘颖健,唐功友,赵驯洪,等.数学形态学方法在海面船目标检测中的应用[J].中国海洋大学学报,2005,35(3):511-514.
[11]赵春晖,李晓慧,田明华.采用主成分量化和密度估计期望最大聚类的高光谱异常目标检测[J].光子学报,2013,42(10):316-321.
[12]Reed I S,Yu X.Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J].IEEE Trans.Acoust.Speech,Signal.Process,1990,38(10):1760-1770.
[13]Jose M,Ester M,Antonio P.Analysis and Optimizations of Global and local versions of the RX algorithm for anomaly detection in hyperspectral data[J].IEEE Trans,2013,6(2):1045-1052.
(责任编辑杨黎丽)
Method for Ship Detection in Hyperspectral Image
DAI Wei,WEN Gong-jian,ZHANG Xin,LI Zhi-yong
(ATR Key Laboratory,National University of Defense Technology,Changsha 410073,China)
A method based on spectral anomaly for the ship target detection in hyperspectral image was proposed.Firstly,the area covered by seawater was picked out and confirm the target searching area for ships in the sea.Then,principal components analysis(PCA)was used to reduce the dimension of hyperspectral image.RX detection was carried out on the PCA translated image to find the spectral anomaly pixels.At last,anomaly pixels clustered in a certain shape were detected as the ship targets.Experiment results indicate that the proposed method is efficient for sea ship target detection in complex background.
hyperspectral images;ship detection;sea-area extraction;RX detection
TP753
A
1674-8425(2015)11-0120-06
10.3969/j.issn.1674-8425(z).2015.11.020
2015-08-31
教育部新世纪优秀人才支持计划项目(NCET-11-0866)
代威(1991—),男,硕士研究生,主要从事高光谱图像处理方面研究。
代威,文贡坚,张星,等.高光谱图像海上舰船目标检测方法研究[J].重庆理工大学学报:自然科学版,2015 (11):120-125.
format:DAI Wei,WEN Gong-jian,ZHANG Xin,et al.Method for Ship Detection in Hyperspectral Image[J]. Journal of Chongqing University of Technology:Natural Science,2015(11):120-125.